เรียนรู้วิธีรวมแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบด้วยการแบ่งปันชุดทรัพยากรและเครื่องมือกับชุมชน ML

AI ที่มีความรับผิดชอบคืออะไร?

การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังทำให้เกิดคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน

การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยยึดมนุษย์เป็นศูนย์กลาง
เข้าใกล้ ม.ล

ความเป็นธรรม

เมื่อผลกระทบของ AI เพิ่มขึ้นในภาคส่วนและสังคม จึงจำเป็นอย่างยิ่งที่จะต้องทำงานเพื่อมุ่งสู่ระบบที่ยุติธรรมและครอบคลุมสำหรับทุกคน

การตีความ

การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้

ความเป็นส่วนตัว

โมเดลการฝึกอบรมสำหรับข้อมูลที่ละเอียดอ่อนจำเป็นต้องมีการป้องกันการรักษาความเป็นส่วนตัว

ความปลอดภัย

การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยรักษาระบบ AI ให้ปลอดภัยได้

AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ

แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถรวมอยู่ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ต้องพิจารณาในแต่ละขั้นตอน

ระบบ ML ของฉันเหมาะกับใคร

วิธีที่ผู้ใช้จริงสัมผัสกับระบบของคุณมีความสำคัญต่อการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ

ฉันกำลังใช้ชุดข้อมูลตัวแทนหรือไม่

มีการสุ่มตัวอย่างข้อมูลในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่น จะใช้ตลอดทั้งปี แต่คุณมีเพียงการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?

ข้อมูลของฉันมีอคติในโลกแห่งความเป็นจริง/มนุษย์หรือไม่

ความเอนเอียงแฝงในข้อมูลสามารถนำไปสู่ลูปป้อนกลับที่ซับซ้อนซึ่งช่วยเสริมภาพลักษณ์ที่มีอยู่

ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน

ใช้วิธีการฝึกอบรมที่สร้างความเป็นธรรม การตีความ ความเป็นส่วนตัว และความปลอดภัยในโมเดล

โมเดลของฉันมีประสิทธิภาพเป็นอย่างไร

ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงจากผู้ใช้ กรณีการใช้งาน และบริบทการใช้งานที่หลากหลาย ทดสอบและทำซ้ำในลองใช้ก่อน ตามด้วยการทดสอบต่อไปหลังจากเปิดตัว

มีวงจรป้อนกลับที่ซับซ้อนหรือไม่?

แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML มักจะทำงานได้ไม่สมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลสดจริง เมื่อเกิดปัญหาขึ้นในผลิตภัณฑ์ที่ใช้งานอยู่ ให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียทางสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร

เครื่องมือ AI ที่มีความรับผิดชอบสำหรับ TensorFlow

ระบบนิเวศ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยจัดการกับคำถามบางข้อด้านบน

ขั้นตอนที่ 1

กำหนดปัญหา

ใช้แหล่งข้อมูลต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง AI ที่มีความรับผิดชอบ

คู่มือการวิจัยผู้คน + AI (PAIR)

เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ

PAIR สำรวจได้

สำรวจผ่านการสร้างภาพข้อมูลเชิงโต้ตอบ คำถามสำคัญและแนวคิดในขอบเขตของ AI ที่มีความรับผิดชอบ

ขั้นตอนที่ 2

สร้างและเตรียมข้อมูล

ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น

รู้จักข้อมูลของคุณ (เบต้า)

ตรวจสอบชุดข้อมูลของคุณแบบโต้ตอบเพื่อปรับปรุงคุณภาพข้อมูลและลดปัญหาด้านความเป็นธรรมและความลำเอียง

การตรวจสอบข้อมูล TF

วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น

การ์ดข้อมูล

สร้างรายงานความโปร่งใสสำหรับชุดข้อมูลของคุณ

สเกลสีผิวพระสงฆ์ (MST)

สเกลโทนสีผิวที่ครอบคลุมมากขึ้น ลิขสิทธิ์แบบเปิด เพื่อให้การรวบรวมข้อมูลและการสร้างแบบจำลองของคุณต้องการความแข็งแกร่งและครอบคลุมยิ่งขึ้น

ขั้นตอนที่ 3

สร้างและฝึกโมเดล

ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคการตีความ และอื่นๆ

การแก้ไขโมเดล TF

ฝึกฝนโมเดลแมชชีนเลิร์นนิงเพื่อส่งเสริมผลลัพธ์ที่เท่าเทียมกันมากขึ้น

TF ความเป็นส่วนตัว

ฝึกฝนโมเดลแมชชีนเลิร์นนิงด้วยความเป็นส่วนตัว

TF สหพันธรัฐ

ฝึกฝนโมเดลแมชชีนเลิร์นนิงโดยใช้เทคนิคการเรียนรู้แบบสมาพันธ์

การเพิ่มประสิทธิภาพที่มีข้อจำกัดของ TF

เพิ่มประสิทธิภาพปัญหาที่จำกัดความเหลื่อมล้ำ

TF ตาข่าย

ใช้โมเดลแบบตาข่ายที่ยืดหยุ่น ควบคุม และตีความได้

ขั้นตอนที่ 4

ประเมินแบบจำลอง

ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้

ตัวชี้วัดความเป็นธรรม

ประเมินเมตริกความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทแบบไบนารีและหลายคลาส

การวิเคราะห์โมเดล TF

ประเมินแบบจำลองในลักษณะกระจายและคำนวณผ่านส่วนข้อมูลต่างๆ

เครื่องมืออะไรถ้า

ตรวจสอบ ประเมิน และเปรียบเทียบโมเดลแมชชีนเลิร์นนิง

เครื่องมือแปลภาษา

เห็นภาพและเข้าใจโมเดล NLP

AI ที่อธิบายได้

พัฒนาโมเดลแมชชีนเลิร์นนิงที่ตีความได้และครอบคลุม

การทดสอบความเป็นส่วนตัว TF

ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจัดประเภท

เทนเซอร์บอร์ด

วัดและแสดงภาพเวิร์กโฟลว์แมชชีนเลิร์นนิง

ขั้นตอนที่ 5

ปรับใช้และตรวจสอบ

ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของแบบจำลอง

ชุดเครื่องมือการ์ดโมเดล

สร้างการ์ดโมเดลได้อย่างง่ายดายโดยใช้ชุดเครื่องมือการ์ดโมเดล

ข้อมูลเมตาของ ML

บันทึกและดึงข้อมูลเมตาที่เกี่ยวข้องกับนักพัฒนา ML และเวิร์กโฟลว์นักวิทยาศาสตร์ข้อมูล

การ์ดโมเดล

จัดระเบียบข้อเท็จจริงที่สำคัญของแมชชีนเลิร์นนิงอย่างมีโครงสร้าง

ทรัพยากรชุมชน

เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม

คราวด์ซอร์สโดย Google

ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ

ความท้าทายของ AI DevPost ที่มีความรับผิดชอบ

เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างแบบจำลองหรือแอปพลิเคชันโดยคำนึงถึงหลักการ AI ที่มีความรับผิดชอบ ตรวจสอบแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่น ๆ

AI ที่มีความรับผิดชอบด้วย TensorFlow (TF Dev Summit '20)

แนะนำกรอบความคิดเกี่ยวกับ ML ความเป็นธรรม และความเป็นส่วนตัว